Orientador: Geraldo Nunes Silva / Banca: Luis Antônio Fernandes de Oliveira / Banca: Yurilev Chalco Cano / Resumo: Neste trabalho, estamos interessados em apresentar uma abordagem relacionando a análise não suave com a otimização. Primeiramente, é realizado um estudo sobre conceitos da análise não suave, como cones normais, cone tangente de Bouligand, subdiferenciais proximal, estrita, limite e de clarke. Com esses conceitos exibimos uma série de resultados, por exemplo, uma caracterização par funções de Lipschitz, subdiferencais da soma, produto e máximo de funções semi-contínuas inferior, uma versão não suave dos multiplicadores de Lagrange, i.e., condições de primeira ordem para otimalidade de problemas de otimização não suaves. Também é feito um estudo sobre as condições de segunda ordem para otimalidade em problemas de otimização não suaves e para isso, foi necessário a apresentação de outros conceitos e propriedades como os de Hessiana generalizada, Jacobiana aproximada a Hessiana proximada. Após a apresentação desses resultados, é feita uma análise sobre dois Teoremas que fornecem, com abordagens distintas, condições suficiente de segunda ordem para problemas de otimização não suaves e este trabalho é finalizado com a aprsentação de um resultado que é considerado uma "unificação" desses dois Teoremas / Abstract: In this work we are interested in the presentation of an approach relating Nonsmooth Analysis to Optimization. First we make a study about concepts of nonsmooth analysis such as, normal cone, Bouligand's tangent cone, proximal, strict and limiting Subdiferential, as well as Clarke's Suddifferential. After these, we exhibit a series of results, for example, a characterization of Lipschitz functions, Subdifferential sum, product and maxium rules of lower semicontinuous functions and a nonsmooth version of Lagrange's multiplier rule, that is, a first order necessary condition of optimality for nonsmooth optimization problems. We also made a study about second order optimality conditions for nonsmooth optimization problems. In order to do that, it was necessary to present other concepts and properties about generalized Hessian, approximate Jacobian and approximate Hessian. After presenting these concepts and results, an analysis of two theorems that provide, with different approches, second order conditions for optimality for nonsmooth problems is made. Finally, this dissertation is completed with the exposition of a result that is considered a "unification" of these two theorems / Mestre

Submitted by RAUL TINTAYA MARCAVILLACA (rtm1111@hotmail.com) on 2016-04-08T15:21:22Z No. of bitstreams: 1 Condições de otimalidade para controle ótimo via formalismo de Dubovitskii-Milyutin.pdf: 988765 bytes, checksum: 4266a072cc27d6bfa1f6402f0483aa6c (MD5) / Approved for entry into archive by Ana Paula Grisoto (grisotoana@reitoria.unesp.br) on 2016-04-08T17:55:54Z (GMT) No. of bitstreams: 1 marcavillaca_rt_me_sjrp.pdf: 988765 bytes, checksum: 4266a072cc27d6bfa1f6402f0483aa6c (MD5) / Made available in DSpace on 2016-04-08T17:55:54Z (GMT). No. of bitstreams: 1 marcavillaca_rt_me_sjrp.pdf: 988765 bytes, checksum: 4266a072cc27d6bfa1f6402f0483aa6c (MD5) Previous issue date: 2016-03-03 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / O objetivo deste trabalho é o estudo das condições necessárias e suficientes de otimalidade para problemas de controle ótimo, compreendendo o estudo do Princípio do Máximo e convexidade generalizada. As condições necessárias dadas pelo Princípio do Máximo Pontryagin são obtidas mediante o formalismo de Dubovitski e Milyutin, que permite determinar, usando a linguagem da análise funcional, condições necessárias de otimalidade para uma classe de problemas extremos. As condições suficientes de otimalidade são dadas introduzindo a noção de invexidade generalizada adequadas ao problema, que denominaremos PM-pseudo-invexidade. / The purpose of this work is the study of necessary and sufficient conditions of optimality for optimal control problem including the study of the Maximum Principle and generalized convexity. The necessary conditions given by the Pontryagin Maximum Principle are obtained by means of the Dubovitski and Milyutin formalism, which allows to determine, using the language of functional analysis, necessary optimality conditions for a class of extreme problems. The sufficient conditions of optimality are given by introducing the notion of generalized invexity suitable to the problem, which we will call PM-pseudo-invexity. / CNPq: 131647/2014-8

Cardinality constrained optimization problems (CCOP) are a new class of optimization problems with many applications. In this thesis, we propose a framework called mathematical programs with disjunctive subspaces constraints (MPDSC), a special case of mathematical programs with disjunctive constraints (MPDC), to investigate CCOP. Our method is different from the relaxed complementarity-type reformulation in the literature. The first contribution of this thesis is that we study various stationarity conditions for MPDSC, and then apply them to CCOP. In particular, we recover disjunctive-type strong (S-) stationarity and Mordukhovich (M-) stationarity for CCOP, and then reveal the relationship between them and those from the relaxed complementarity-type reformulation. The second contribution of this thesis is that we obtain some new results for MPDSC, which do not hold for MPDC in general. We show that many constraint qualifications like the relaxed constant positive linear dependence (RCPLD) coincide with their piecewise versions for MPDSC. Based on such result, we prove that RCPLD implies error bounds for MPDSC. These two results also hold for CCOP. All of these disjunctive-type constraint qualifications for CCOP derived from MPDSC are weaker than those from the relaxed complementarity-type reformulation in some sense. / Graduate

Esta tese é um estudo acerca do Problema de Equilíbrio de Nash Generalizado (GNEP). Na primeira parte, faremos um resumo dos principais conceitos sobre GNEPs, a relação com outros problemas já conhecidos e comentaremos brevemente os principais métodos já feitos até esta data para resolver numericamente este tipo de problema. Na segunda parte, estudamos condições de otimalidade e condições de qualificação (CQ) para GNEPs, fazendo uma analogia como em otimização. Estendemos os conceitos de cone tangente, normal, gerado pelas restrições ativas, linearizado e polar para a estrutura dos GNEPs. Cada CQ de otimização gera dois tipos de CQ para GNEPs, sendo que a denotada por CQ-GNEP é mais forte e útil para a análise de algoritmos para GNEPs. Mostramos que as condições de qualificação para GNEPs deste tipo em alguns casos não guardam a mesma relação que em otimização. Estendemos também o conceito de Aproximadamente Karush-KuhnTucker (AKKT) de otimização para GNEPs, o AKKT-GNEP. É bem conhecido que AKKT é uma genuína condição de otimalidade em otimização, mas para o caso dos GNEPs mostramos que isto não ocorre em geral. Por outro lado, AKKT-GNEP é satisfeito, por exemplo, em qualquer solução de um GNEP conjuntamente convexo, desde que seja um equilíbrio bvariacional. Com isso em mente, definimos um método do tipo Lagrangiano Aumentado para o GNEP usando penalidades quadráticas e exponenciais e estudamos as propriedades de otimalidade e viabilidade dos pontos limites de sequências geradas pelo algoritmo. Finalmente alguns critérios para resolver os subproblemas e resultados numéricos são apresentados. / This thesis is a study about the generalized Nash equilibrium problem (GNEP). In the first part we will summarize the main concepts about GNEPs, the relationship with other known problems and we will briefly comment on the main methods already done in order to solve these problems numerically. In the second part we study optimality conditions and constraint qualification (CQ) for GNEPs making an analogy with the optimization case. We extend the concepts of the tangent, normal and generated by the active cones, linear and polar cone to the structure of the GNEPs. Each optimization CQ generates two types of CQs for GNEPs, with the one called CQ-GNEP being the strongest and most useful for analyzing the algorithms for GNEPs. We show that the qualification conditions for GNEPs of this type in some cases do not have the same relation as in optimization. We also extend the Approximate Karush- Kuhn-Tucker (AKKT) concept used in optimization for GNEPs to AKKT-GNEP. It is well known that AKKT is a genuine optimality condition in optimization but for GNEPs we show that this does not occur in general. On the other hand, AKKT-GNEP is satisfied, for example, in any solution of a jointly convex GNEP, provided that it is a b-variational equilibrium. With this in mind, we define Augmented Lagrangian methods for the GNEP, using the quadratic and the exponential penalties, and we study the optimality and feasibility properties of the sequence of points generated by the algorithms. Finally some criteria to solve the subproblems and numerical results are presented.

Esta tese é um estudo acerca da análise de convergência de vários métodos numéricos de primeira e de segunda ordem para resolver problemas de programação matemática e as condições de otimalidade associadas. Nossas principais ferramentas são as condições sequenciais de otimalidade. As condições sequenciais de otimalidade oferecem um quadro teórico para a análise de convergência para várias famílias de métodos de primeira ordem sob condições de qualificações fracas. Nesta tese, apresentamos, para cada condição sequencial de otimalidade, a condição de qualificação mínima associada e mostramos as relações com outras condições de qualificação conhecidas. Este fato tem implicações práticas, uma vez que enfraquece as hipóteses requeridas para a convergência de vários métodos numéricos cujos critérios de paradas estão associados às condições sequenciais de otimalidade. Ainda mais, esse tipo de resultado não pode ser melhorado usando outras condições de qualificações. Nós estendemos a noção de condições sequenciais de otimalidade de primeira ordem, para incorporar informações de segunda ordem. Apresentamos, segundo nosso conhecimento, a primeira condição sequencial de otimalidade de segunda ordem, adequada para a análise de convergência de vários métodos numéricos com convergência a pontos estacionários de segunda ordem, como por exemplo métodos baseados no Lagrangeano aumentado, regiões de confiança e SQP regularizado. Associada com a nova condição sequencial de segunda ordem, temos uma nova condição de qualificação, mais fraca que as outras condições de qualificações utilizadas para a análise de convergência para métodos numéricos de segunda ordem. Nós situamos essa nova condição de qualificação com respeito a outras condições de qualificação usadas em análise de convergência. Finalmente apresentamos outra razão pela qual a condição fraca necessária de segunda ordem é a condição de segunda ordem adequada quando lidarmos com a convergência de algoritmos práticos / This thesis deals with the convergence analysis for several rst-and-second-order numerical methods used to solve mathematical programming problems. Our main tools are the sequential optimality conditions. First-order sequential optimality conditions oer a framework to the study of the convergence analysis of several families of rst-order methods, under weak constraint qualications. In this thesis, we will introduce, for each sequential optimality condition the minimal constraint qualications associated with it and we will show their relationships with other constraint qualications. This fact has a practical aspect, since, we improve the convergence analysis of practical methods with stopping criteria associated with sequential optimality conditions. This results can not be improved by using another weak constraint qualications. We will extend the notion of rst-order sequential optimality conditions to incorporate secondorder information. We will introduce, to the best of our knowledge, the rst second-order sequential optimality condition, suitable to the study of the convergence analysis of several second-order methods including methods based on the augmented lagrangian, trust-region and regularized SQP. Associated with the second-order sequential optimality condition, we have a new constraint qualication weaker than all constraint qualications used for the convergence analysis of second-order methods. We show the relationships of this new constraint qualications with other constraint qualications used for algorithmic purposes. We will also present a new reason why the weak secondorder necessary condition is the natural second-order condition when we are dealing with practical numerical methods

Esta tese é um estudo acerca da análise de convergência de vários métodos numéricos de primeira e de segunda ordem para resolver problemas de programação matemática e as condições de otimalidade associadas. Nossas principais ferramentas são as condições sequenciais de otimalidade. As condições sequenciais de otimalidade oferecem um quadro teórico para a análise de convergência para várias famílias de métodos de primeira ordem sob condições de qualificações fracas. Nesta tese, apresentamos, para cada condição sequencial de otimalidade, a condição de qualificação mínima associada e mostramos as relações com outras condições de qualificação conhecidas. Este fato tem implicações práticas, uma vez que enfraquece as hipóteses requeridas para a convergência de vários métodos numéricos cujos critérios de paradas estão associados às condições sequenciais de otimalidade. Ainda mais, esse tipo de resultado não pode ser melhorado usando outras condições de qualificações. Nós estendemos a noção de condições sequenciais de otimalidade de primeira ordem, para incorporar informações de segunda ordem. Apresentamos, segundo nosso conhecimento, a primeira condição sequencial de otimalidade de segunda ordem, adequada para a análise de convergência de vários métodos numéricos com convergência a pontos estacionários de segunda ordem, como por exemplo métodos baseados no Lagrangeano aumentado, regiões de confiança e SQP regularizado. Associada com a nova condição sequencial de segunda ordem, temos uma nova condição de qualificação, mais fraca que as outras condições de qualificações utilizadas para a análise de convergência para métodos numéricos de segunda ordem. Nós situamos essa nova condição de qualificação com respeito a outras condições de qualificação usadas em análise de convergência. Finalmente apresentamos outra razão pela qual a condição fraca necessária de segunda ordem é a condição de segunda ordem adequada quando lidarmos com a convergência de algoritmos práticos / This thesis deals with the convergence analysis for several rst-and-second-order numerical methods used to solve mathematical programming problems. Our main tools are the sequential optimality conditions. First-order sequential optimality conditions oer a framework to the study of the convergence analysis of several families of rst-order methods, under weak constraint qualications. In this thesis, we will introduce, for each sequential optimality condition the minimal constraint qualications associated with it and we will show their relationships with other constraint qualications. This fact has a practical aspect, since, we improve the convergence analysis of practical methods with stopping criteria associated with sequential optimality conditions. This results can not be improved by using another weak constraint qualications. We will extend the notion of rst-order sequential optimality conditions to incorporate secondorder information. We will introduce, to the best of our knowledge, the rst second-order sequential optimality condition, suitable to the study of the convergence analysis of several second-order methods including methods based on the augmented lagrangian, trust-region and regularized SQP. Associated with the second-order sequential optimality condition, we have a new constraint qualication weaker than all constraint qualications used for the convergence analysis of second-order methods. We show the relationships of this new constraint qualications with other constraint qualications used for algorithmic purposes. We will also present a new reason why the weak secondorder necessary condition is the natural second-order condition when we are dealing with practical numerical methods

No description available.

In the dissertation the solution approaches for different fuzzy optimization problems are presented. The single-level optimization problem with fuzzy objective is solved by its reformulation into a biobjective optimization problem. A special attention is given to the computation of the membership function of the fuzzy solution of the fuzzy optimization problem in the linear case. Necessary and sufficient optimality conditions of the the convex nonlinear fuzzy optimization problem are derived in differentiable and nondifferentiable cases. A fuzzy optimization problem with both fuzzy objectives and constraints is also investigated in the thesis in the linear case. These solution approaches are applied to fuzzy bilevel optimization problems. In the case of bilevel optimization problem with fuzzy objective functions, two algorithms are presented and compared using an illustrative example. For the case of fuzzy linear bilevel optimization problem with both fuzzy objectives and constraints k-th best algorithm is adopted.

The goal of this work is to present a conjugate duality treatment of composed programming as well as to give an overview of some recent developments in both scalar and multiobjective optimization. In order to do this, first we study a single-objective optimization problem, in which the objective function as well as the constraints are given by composed functions. By means of the conjugacy approach based on the perturbation theory, we provide different kinds of dual problems to it and examine the relations between the optimal objective values of the duals. Given some additional assumptions, we verify the equality between the optimal objective values of the duals and strong duality between the primal and the dual problems, respectively. Having proved the strong duality, we derive the optimality conditions for each of these duals. As special cases of the original problem, we study the duality for the classical optimization problem with inequality constraints and the optimization problem without constraints. The second part of this work is devoted to location analysis. Considering first the location model with monotonic gauges, it turns out that the same conjugate duality principle can be used also for solving this kind of problems. Taking in the objective function instead of the monotonic gauges several norms, investigations concerning duality for different location problems are made. We finish our investigations with the study of composed multiobjective optimization problems. In doing like this, first we scalarize this problem and study the scalarized one by using the conjugacy approach developed before. The optimality conditions which we obtain in this case allow us to construct a multiobjective dual problem to the primal one. Additionally the weak and strong duality are proved. In conclusion, some special cases of the composed multiobjective optimization problem are considered. Once the general problem has been treated, particularizing the results, we construct a multiobjective dual for each of them and verify the weak and strong dualities. / In dieser Arbeit wird, anhand der sogenannten konjugierten Dualitätstheorie, ein allgemeines Dualitätsverfahren für die Untersuchung verschiedener Optimierungsaufgaben dargestellt. Um dieses Ziel zu erreichen wird zuerst eine allgemeine Optimierungsaufgabe betrachtet, wobei sowohl die Zielfunktion als auch die Nebenbedingungen zusammengesetzte Funktionen sind. Mit Hilfe der konjugierten Dualitätstheorie, die auf der sogenannten Störungstheorie basiert, werden für die primale Aufgabe drei verschiedene duale Aufgaben konstruiert und weiterhin die Beziehungen zwischen deren optimalen Zielfunktionswerten untersucht. Unter geeigneten Konvexitäts- und Monotonievoraussetzungen wird die Gleichheit dieser optimalen Zielfunktionswerte und zusätzlich die Existenz der starken Dualität zwischen der primalen und den entsprechenden dualen Aufgaben bewiesen. In Zusammenhang mit der starken Dualität werden Optimalitätsbedingungen hergeleitet. Die Ergebnisse werden abgerundet durch die Betrachtung zweier Spezialfälle, nämlich die klassische restringierte bzw. unrestringierte Optimierungsaufgabe, für welche sich die aus der Literatur bekannten Dualitätsergebnisse ergeben. Der zweite Teil der Arbeit ist der Dualität bei Standortproblemen gewidmet. Dazu wird ein sehr allgemeines Standortproblem mit konvexer zusammengesetzter Zielfunktion in Form eines Gauges formuliert, für das die entsprechenden Dualitätsaussagen abgeleitet werden. Als Spezialfälle werden Optimierungsaufgaben mit monotonen Normen betrachtet. Insbesondere lassen sich Dualitätsaussagen und Optimalitätsbedingungen für das klassische Weber und Minmax Standortproblem mit Gauges als Zielfunktion herleiten. Das letzte Kapitel verallgemeinert die Dualitätsaussagen, die im zweiten Kapitel erhalten wurden, auf multikriterielle Optimierungsprobleme. Mit Hilfe geeigneter Skalarisierungen betrachten wir zuerst ein zu der multikriteriellen Optimierungsaufgabe zugeordnetes skalares Problem. Anhand der in diesem Fall erhaltenen Optimalitätsbedingungen formulieren wir das multikriterielle Dualproblem. Weiterhin beweisen wir die schwache und, unter bestimmten Annahmen, die starke Dualität. Durch Spezialisierung der Zielfunktionen bzw. Nebenbedingungen resultieren die klassischen konvexen Mehrzielprobleme mit Ungleichungs- und Mengenrestriktionen. Als weitere Anwendungen werden vektorielle Standortprobleme betrachtet, zu denen wir entsprechende duale Aufgaben formulieren.

In der Dissertation werden Zwei-Ebenen-Optimierungsaufgaben mit spezieller Struktur untersucht. Von Interesse sind hierbei für den sogenannten pessimistischen Lösungszugang Existenzresultate für Lösungen, die Eckpunkteigenschaft einer Lösung, eine Regularisierungstechnik, Optimalitätsbedingungen sowie für den linearen Fall ein Verfahren zur Bestimmung einer global pessimistischen Lösung. Beim optimistischen Lösungszugang wird zunächst eine Verallgemeinerung des Lösungsbegriffes angegeben. Anschließend finden sich Betrachtungen zur Komplexität des Problems, zu Optimalitätsbedingungen sowie ein Abstiegs- und Branch&Bound-Verfahren für den linearen Fall wieder. Den Abschluss der Arbeit bilden ein Anwendungsbeispiel und numerische Testrechnungen.